QSpec 논문 요점 정리

QSPEC은 Speculative Decoding과 양자화 기법을 결합하여 추론 효율을 극대화한 연구입니다. 저정밀도(W4A4) 드래프트 모델과 고정밀도(W4A16) 검증 모델을 사용하며, 양자화된 가중치와 KV 캐시를 공유해 메모리 사용량을 줄이면서도 높은 정밀도를 유지합니다.

GPT Live 덕분에 ChatGPT가 마침내 실제 사람처럼 말할 수 있게 되었습니다

OpenAI가 전이중(Full duplex) 오디오 처리 기술을 적용한 새로운 음성 모델 'GPT Live'를 출시했습니다. 기존의 턴 기반 방식에서 벗어나 사용자와 실시간으로 동시에 대화하며 자연스러운 상호작용이 가능해졌습니다.

Anthropic에서 연구를 하기 위해 박사 학위가 필요하지는 않습니다.

Anthropic이 프론티어 AI 분야 연구자를 위한 4개월 풀타임 펠로우 프로그램을 모집합니다. 선발된 인원에게는 멘토링, 컴퓨팅 자금, 주간 수당 및 연구 논문 발표 기회가 제공됩니다.

연구진, 모든 주요 LLM이 비밀리에 일본에 집착하고 있음을 증명

연구진은 주요 LLM들이 문화적 질문에 대해 일본을 기본값으로 선택하는 경향이 있음을 발견했습니다. 이는 사전 학습 데이터가 아닌, 모델의 안전성을 확보하는 정렬(alignment) 과정에서 논란을 피하기 위해 '안전한' 일본 문화를 선택하기 때문입니다.

상황 급변: Anthropic 연구원 Levent Alpöge, 1939년부터 미해결 과제였던 Jacobian conjecture가 거짓이라고

Anthropic의 연구원 Levent Alpöge가 1939년 이후 미해결 과제였던 Jacobian conjecture가 거짓임을 입증하는 다항식 반례를 제시했습니다. 이 과정에서 Claude Fable 5의 도움을 받았다고 밝혔습니다.

작은 오염도 검사(Contamination Check) 구축을 통해 AI 코딩 벤치마크 배우기

OpenAI의 연구를 바탕으로 AI 코딩 벤치마크의 신뢰성을 확보하기 위한 오염(Contamination) 검사 방법을 설명합니다. 단순 점수보다는 데이터 중복, 채점 방식, 벤치마크 버전을 종합적으로 고려해야 함을 강조합니다.

Xiaomi-Robotics-U0: 통합된 Embodied Synthesis를 위한 380억 파라미터 모델

Xiaomi가 발표한 Xiaomi-Robotics-U0는 380억 파라미터 규모의 멀티모달 자기회귀 모델로, Embodied AI를 위한 통합 생성 프레임워크를 제공합니다. 기존 모델의 일반화 능력을 유지하면서 다중 뷰 일관성과 기하학적 일관성을 확보하여 로봇 시나리오에 최적화되었습니다.

Latent-Identity Tuning: 재학습 없이 텍text-to-image 모델에서 미세한 얼굴 편집을 달성하는 방법

Latent-Identity Tuning은 모델 재학습 없이 text-to-image 모델에서 정밀한 얼굴 편집을 가능하게 하는 새로운 방법론입니다. 고정된 인코더의 잠재 공간 내에서 의미론적 방향을 탐색하여 정체성을 유지하면서도 국소적이고 미세한 수정을 수행합니다.

Qwythos-9B-v2, 추론 능력을 저해하지 않으면서 AI 반복 문제를 해결하다

empero-ai가 개발한 Qwythos-9B-v2는 FTPO 기술을 통해 모델의 추론 능력을 유지하면서도 반복적인 출력 문제를 완벽히 해결한 9B 파라미터 모델입니다. 100만 토큰의 긴 컨텍스트 창과 높은 코드 생성 능력을 갖추고 있으며, 기술적 주제에 대해 과도한 검열 없이 정확한 정보를 제공합니다.

LingBot World V2, 실시간 상호작용 비디오 생성 기능 도입

robbyant가 개발한 14B 파라미터 규모의 비디오 생성 모델 LingBot World V2를 소개합니다. Wan2.2 프레임워크 기반의 인과적 트랜스포머 아키텍처를 통해 시각적 일관성을 유지하며 무제한 길이의 상호작용 가능한 비디오 시퀀스를 생성할 수 있습니다.

53명의 AI 페르소나 운영과 Anthropic 연구의 대조 - 용광로가 바뀌어도 같은 강철이 나온다 -

53명의 AI 페르소나를 운영해 온 엔지니어가 Anthropic의 페르소나 관련 연구(Persona Vectors 등)와 자신의 실제 운영 경험을 대조한 기록입니다. 순수 AI의 단일한 무게중심을 극복하기 위해 다각적인 관점을 가진 페르소나 설계의 필요성을 다룹니다.

FutureX · Physical AI Daily — Issue 64 (07/21)

로보틱스 및 체화된 AI(Embodied AI) 분야의 최신 연구와 투자 동향을 다룹니다. Xiaomi의 VLA 모델 스케일링 성과와 칭화대학교의 Harness VLA 제안, 그리고 글로벌 로보틱스 시장의 투자 및 생산 현황을 요약합니다.

Meta의 Muse 이미지 모델 내부 구조: 아키텍처, 안전성 및 프로덕션 활용

Meta의 Muse 이미지 모델의 아키텍처, 안전성 프레임워크 및 프로덕션 활용 방안을 분석합니다. 모델의 기술적 구조뿐만 아니라 배포 전 위험 평가와 거버넌스의 중요성을 강조합니다.

Anthropic이 Claude가 말하기 전에 생각하는 것을 읽는 도구를 오픈 소스화했습니다

Anthropic이 모델의 내부 개념을 파악할 수 있는 오픈 소스 도구인 jacobian lens(j-lens)를 공개했습니다. 이 도구는 저렴한 비용으로 모델의 내부 방향(j-space)을 읽어내어 모델의 의도를 더 정확히 해석할 수 있게 돕습니다.

같지만 다른 것 - 가중치 인수분해(Weight Factorization)를 통한 신경망 양자화 오차(Quantization Error) 복구

가중치 인수분해(Weight Factorization) 기법을 활용하여 신경망 양자화 과정에서 발생하는 오차를 복구하는 방법을 다룹니다. 양자화로 인한 성능 저하를 최소화하면서 모델의 효율성을 높이는 연구 내용을 소개합니다.

모든 LLM이 동일하게 만들어지지는 않습니다: GPT vs Mixture of Experts (MoE)

LLM 아키텍처의 두 가지 주요 유형인 Dense 모델과 Mixture of Experts(MoE) 모델의 작동 원리와 차이점을 설명합니다. Dense 모델은 모든 파라미터를 활성화하는 반면, MoE 모델은 라우터를 통해 특정 요청에 필요한 전문가(expert) 파라미터만 선택적으로 사용합니다.

AI 탐지기에 AI 문장 10개를 입력했더니, 5개는 '인간'으로 판정되었다

DeepSeek vs GLM vs Qwen: 당신의 프로젝트에 가장 적합한 무료 LLM API는 무엇인가?

DeepSeek, GLM, Qwen 세 가지 오픈 소스 LLM의 성능과 무료 API 티어를 비교 분석합니다. 각 모델의 아키텍처, 벤치마크 결과, 그리고 프로젝트 목적에 따른 최적의 사용 사례를 제안합니다.

GPT-5.6 vs Claude Fable 5: 2026년에는 어떤 AI 모델이 더 나은가?

2026년 출시된 OpenAI의 GPT-5.6과 Anthropic의 Claude Fable 5를 비교 분석합니다. GPT-5.6은 실행 중심의 에이전트 기능에, Claude Fable 5는 심층 분석과 지식 관리에 특화되어 있습니다.

미션 크리티컬 복구 시간 동안의 위성 이상 대응 작업을 위한 설명 가능한 인과 강화학습 (Explainable Causal

위성 이상 상황 발생 시 기존 강화학습(RL)의 한계를 극복하기 위해 제안된 '설명 가능한 인과 강화학습(XCRL)' 프레임워크를 소개합니다. 인과 추론과 XAI를 결합하여 미션 크리티컬한 복구 환경에서 모델의 결정 근거를 제공하고 이상 상황에 대응합니다.